Publicado

2025-05-09 — Actualizado el 2025-07-08

Versiones

Pronóstico para la producción de cebolla de rama a partir de un modelo VAR

Forecast scallion production based on a VAR model

DOI:

https://doi.org/10.15446/acag.v73n1.115618

Palabras clave:

área de campo, cebolla, modelización de los cultivos, producción, producto básico (es)
commodities, crop modelling, farm area, scallion, production (en)

Descargas

Autores/as

Este trabajo tiene como objetivo desarrollar un modelo de pronóstico VAR (modelo vectorial autorregresivo) para la producción de cebolla de rama con datos del municipio de Aquitania, Boyacá (Colombia), a partir de métodos de series temporales multivariadas. La metodología ha incluido la materialización de fases de estudio de acuerdo con el método de Box-Jenkins y la aplicación de una serie de pruebas estadísticas de estacionariedad Phillips-Perron, raíz unitaria Dickey-Fuller aumentada (ADF), pruebas de normalidad de Jarque-Bera, test de Phillips-Ouliaris y prueba de causalidad de Granger, entre otras. Los resultados de este estudio confirman que el modelo VAR es una herramienta efectiva para la planificación de la producción y el área cosechada de cebolla de rama. Su capacidad predictiva facilita la toma de decisiones estratégicas, lo cual optimiza la gestión agrícola.

This work aims to develop a VAR - forecast model for scallion production with data from the municipality of Aquitania, Boyacá (Colombia), using multivariate time series methods. The methodology included the implementation of study phases in accordance with the Box-Jenkins method, as well as the application of a series of statistical tests, including the Phillips-Perron stationarity test, the augmented Dickey-Fuller (ADF) unit root test, the Jarque-Bera normality test, the Phillips-Ouliaris test, the Granger causality test, among others. The results of this study confirm that the VAR model is an effective tool for planning the production and harvested area of scallion. Its predictive capacity facilitates strategic decision-making, optimizing agricultural management.

Referencias

Alcaldía Municipal de Aquitania. (2020). Plan de Desarrollo para el Municipio de Aquitania Boyacá “Unidos Construimos el Progreso 2020-2023.” https://www.aquitania-boyaca.gov.co/planes/plan-de-desarrollo-20202023-unidos-construimos-el-progreso-103456

Antunes de Araujo, F. H.; Bejan, L.; Stosic, B. y Stosic, T. (2020). An analysis of Brazilian agricultural commodities using permutation-information theory quantifiers: The influence of food crisis. Chaos, Solitons and Fractals, 139, 110081. https://doi.org/10.1016/j.chaos.2020.110081

Baffes, J. y Kabundi, A. (2023). Commodity price shocks: Order within chaos? Resources Policy, 83. https://doi.org/10.1016/j.resourpol.2023.103640

Bilal, M.; Alrasheedi, M. A.; Aamir, M.; Abdullah, S.; Norrulashikin, S. M. y Rezaiy, R. (2024). Enhanced forecasting of rice price and production in Malaysia using novel multivariate fuzzy time series models. Scientific Reports, 14, 29903. https://doi.org/10.1038/s41598-024-77907-4

Bono, F.; Vallone, M.; Alleri, M.; Lo Verde, G.; Orlando, S.; Ragusa, E. y Catania, P. (2024). Hive behaviour assessment through vector autoregressive model by a smart apiculture system in the Mediterranean area. Smart Agricultural Technology, 9. https://doi.org/10.1016/j.atech.2024.100676

Brunori, G.; Galli, F.; Barjolle, D.; Van Broekhuizen, R.; Colombo, L.; Giampietro, M.; Kirwan, J.; Lang, T.; Mathijs, E.; Maye, D.; De Roest, K.; Rougoor, C.; Schwarz, J.; Schmitt, E.; Smith, J.; Stojanovic, Z.; Tisenkopfs, T. y Touzard, J. M. (2016). Are local food chains more sustainable than global food chains? Considerations for assessment. Sustainability, 8(5). https://doi.org/10.3390/su8050449

Camara, S. B.; Zucatto, L. C.; Brandão, J. B. y Boscardin, M. (2025). Mapping of scientific production around the sustainable development goals-SDGS and food production. Ciencia Rural, 55(3). https://doi.org/10.1590/0103-8478cr20230134

Chen, L.; Verousis, T.; Wang, K. y Zhou, Z. (2023). Financial stress and commodity price volatility. Energy Economics, 125, 106874. https://doi.org/10.1016/J.ENECO.2023.106874

Cuevas-Ahumada, V. M. (2008). Inflation, output and economic policy in Mexico. Investigación Económica, 67(265), 85-120.

Del Giorgio, O.; Robinson, B. E. y Le Polain de Waroux, Y. (2022). Impacts of agricultural commodity frontier expansion on smallholder livelihoods: An assessment through the lens of access to land and resources in the Argentine Chaco. Journal of Rural Studies, 93, 67-80. https://doi.org/10.1016/j.jrurstud.2022.05.014

Ding, Y. y Xu, J. (2023). Global vulnerability of agricultural commodities to climate risk: Evidence from satellite data. Economic Analysis and Policy, 80, 669-687. https://doi.org/10.1016/J.EAP.2023.09.013

Eichler, M. (2012). Graphical modelling of multivariate time series. Probability Theory and Related Fields, 153, 233-268. https://doi.org/10.1007/s00440-011-0345-8

FAO. (2020). FAO framework for the Urban Food Agenda. En FAO framework for the Urban Food Agenda. https://doi.org/10.4060/ca3151en

Filippi, P.; Jones, E. J.; Wimalathunge, N. S.; Somarathna, P. D. S. N.; Pozza, L. E.; Ugbaje, S. U.; Jephcott, T. G.; Paterson, S. E.; Whelan, B. M. y Bishop, T. F. A. (2019). An approach to forecast grain crop yield using multi-layered, multi-farm data sets and machine learning. Precision Agriculture, 20, 1015-1029. https://doi.org/10.1007/s11119-018-09628-4

Firmansyah, F.; Maruli, P. y Harahap, A. (2023). Analysis of beef market integration between consumer and producer regions in Indonesia. Open Agriculture, 8(1). https://doi.org/10.1515/opag-2022-0221

Fonseca-Cifuentes, G.; León-Castro, E. y Blanco-Mesa, F. (2021). Predicting the future price of a commodity using the OWMA operator: An approximation of the interest rate and inflation in the brown pastusa potato price. Journal of Intelligent & Fuzzy Systems, 40(2), 1971-1981. https://doi.org/10.3233/jifs-189200

Galli, F.; Prosperi, P.; Favilli, E.; D’amico, S.; Bartolini, F. y Brunori, G. (2020). How can policy processes remove barriers to sustainable food systems in Europe? Contributing to a policy framework for agri-food transitions. Food Policy, 96, 101871. https://doi.org/https://doi.org/10.1016/j.foodpol.2020.101871

Glinskiy, V.; Ismayilova, Y.; Khrushchev, S.; Logachov, A.; Logachova, O.; Serga, L.; Yambartsev, A. y Zaykov, K. (2024). Modifications to the Jarque–Bera test. Mathematics, 12(16). https://doi.org/10.3390/math12162523

Hou, P. S.; Fadzil, L. M.; Manickam, S. y Al-Shareeda, M. A. (2023). Vector autoregression model-based forecasting of reference evapotranspiration in Malaysia. Sustainability, 15(4). https://doi.org/10.3390/su15043675

Kamila, K. (2022). General Hannan and Quinn criterion for common time series. Statistics, 56(1), 222-241. https://doi.org/10.1080/02331888.2022.2041017

Li, Y. y Umair, M. (2023). The protective nature of gold during times of oil price volatility: An analysis of the Covid-19 pandemic. Extractive Industries and Society, 15. https://doi.org/10.1016/j.exis.2023.101284

Luis-Rojas, S.; Ramírez-Valverde, B.; Díaz-Bautista, M.; Pizano-Calderón, J. y Rodríguez-López, C. (2020). Vanilla (Vanilla planifolia) production in Mexico: Analysis and forecast. Revista Mexicana Ciencias Agrícolas, 11(1), 175-187. https://doi.org/https://doi.org/10.29312/remexca.v11i1.2065

Malá, I.; Sládek, V. y Bílková, D. (2021). Power comparisons of normality tests based on l-moments and classical tests. Mathematics and Statistics, 9(6), 994-1003. https://doi.org/10.13189/ms.2021.090615

Meneses-Cerón, L. Á. y Pérez-Pacheco, C. A. (2020). Análisis comparativo de eficiencia en mercados emergentes. El caso de Colombia, Chile y Perú. Apuntes Contables, 26, 9-24. https://doi.org/10.18601/16577175.N26.02

Michail, N. A. y Melas, K. D. (2020). Market interactions between agricultural commodities and the dry bulk shipping market. The Asian Journal of Shipping and Logistics, 37, 20212073. https://doi.org/10.1016/j.ajsl.2020.07.003

Ministerio de Agricultura y Desarrollo Rural. (2024). Reporte: Área, Producción, Rendimiento y Participación Municipal en el Departamento por Cultivo. Https://www.Agronet.Gov.Co/Estadistica/Paginas/Home.Aspx?Cod=59.

Mohale, V. Z. y Obagbuwa, I. C. (2024). Assessing the impact of climate variability on wheat yield in Bloemfontein wheat farms through time series analysis. Edelweiss Applied Science and Technology, 8(5), 1213-1234. https://doi.org/10.55214/25768484.v8i5.1826

Morán-Chiquito, D. M. (2014). Determinantes de la inflación en Ecuador. Un análisis econométrico utilizando modelos VAR. Economía y Sociedad, 18(31), 53-70.

Naciones Unidas. (2021). Innovación para el desarrollo: la clave para una recuperación transformadora en América Latina y el Caribe. www.cepal.org/apps

Novales, A. (2017). Modelos vectoriales autorregresivos (VAR). Universidad Complutense de Madrid, 58.

Ouyang, R. y Zhang, X. (2020). Financialization of agricultural commodities: Evidence from China. Economic Modelling, 85, 381-389. https://doi.org/10.1016/j.econmod.2019.11.009

Perfetti, J. J.; Balcázar, Á.; Hernández, A. y Leibovich, J. (2013). Políticas para el desarrollo de la agricultura en Colombia. SAC; Fedesarrollo. http://hdl.handle.net/11445/61

Phillips, P. C. B. y Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. https://doi.org/10.1093/BIOMET/75.2.335

Reimers, H. E. (1992). Comparisons of tests for multivariate cointegration. Statistical Papers, 33, 335-359. https://doi.org/10.1007/BF02925336

Sujath, R.; Chatterjee, J. M. y Hassanien, A. E. (2020). A machine learning forecasting model for Covid-19 pandemic in India. Stochastic Environmental Research and Risk Assessment, 34, 959-972. https://doi.org/10.1007/s00477-020-01827-8

Sumertajaya, I. M.; Rohaeti, E.; Fitrianto, A. y Adi, W. P. P. (2024). Development of food commodity price forecasting model as an early warning system with a multivariate time series clustering. Sains Malaysiana, 53(11), 3779-3789. https://doi.org/10.17576/jsm-2024-5311-20

Uribe, J. F.; Fajardo, E. O. y Romero, H. L. (2017). Incidencia de las políticas públicas de empleo sobre la desocupación en Colombia: un análisis de intervención para el periodo 2002-2014. Revista Espacios, 38(36), 22.

White, J.; Berg, A. A.; Champagne, C.; Zhang, Y.; Chipanshi, A. y Daneshfar, B. (2020). Improving crop yield forecasts with satellite-based soil moisture estimates: An example for township level canola yield forecasts over the Canadian Prairies. International Journal of Applied Earth Observation and Geoinformation, 89. https://doi.org/10.1016/j.jag.2020.102092

Cómo citar

APA

Chaparro Arias, C. A., Ruiz Torres, J. C. & Fonseca Cifuentes, G. P. (2025). Pronóstico para la producción de cebolla de rama a partir de un modelo VAR. Acta Agronómica, 73(1), 82–91. https://doi.org/10.15446/acag.v73n1.115618

ACM

[1]
Chaparro Arias, C.A., Ruiz Torres, J.C. y Fonseca Cifuentes, G.P. 2025. Pronóstico para la producción de cebolla de rama a partir de un modelo VAR. Acta Agronómica. 73, 1 (mar. 2025), 82–91. DOI:https://doi.org/10.15446/acag.v73n1.115618.

ACS

(1)
Chaparro Arias, C. A.; Ruiz Torres, J. C.; Fonseca Cifuentes, G. P. Pronóstico para la producción de cebolla de rama a partir de un modelo VAR. Acta Agron. 2025, 73, 82-91.

ABNT

CHAPARRO ARIAS, C. A.; RUIZ TORRES, J. C.; FONSECA CIFUENTES, G. P. Pronóstico para la producción de cebolla de rama a partir de un modelo VAR. Acta Agronómica, [S. l.], v. 73, n. 1, p. 82–91, 2025. DOI: 10.15446/acag.v73n1.115618. Disponível em: https://revistas.unal.edu.co/index.php/acta_agronomica/article/view/115618. Acesso em: 6 mar. 2026.

Chicago

Chaparro Arias, Carlos Andrés, Juan Carlos Ruiz Torres, y Gina Paola Fonseca Cifuentes. 2025. «Pronóstico para la producción de cebolla de rama a partir de un modelo VAR». Acta Agronómica 73 (1):82-91. https://doi.org/10.15446/acag.v73n1.115618.

Harvard

Chaparro Arias, C. A., Ruiz Torres, J. C. y Fonseca Cifuentes, G. P. (2025) «Pronóstico para la producción de cebolla de rama a partir de un modelo VAR», Acta Agronómica, 73(1), pp. 82–91. doi: 10.15446/acag.v73n1.115618.

IEEE

[1]
C. A. Chaparro Arias, J. C. Ruiz Torres, y G. P. Fonseca Cifuentes, «Pronóstico para la producción de cebolla de rama a partir de un modelo VAR», Acta Agron., vol. 73, n.º 1, pp. 82–91, mar. 2025.

MLA

Chaparro Arias, C. A., J. C. Ruiz Torres, y G. P. Fonseca Cifuentes. «Pronóstico para la producción de cebolla de rama a partir de un modelo VAR». Acta Agronómica, vol. 73, n.º 1, marzo de 2025, pp. 82-91, doi:10.15446/acag.v73n1.115618.

Turabian

Chaparro Arias, Carlos Andrés, Juan Carlos Ruiz Torres, y Gina Paola Fonseca Cifuentes. «Pronóstico para la producción de cebolla de rama a partir de un modelo VAR». Acta Agronómica 73, no. 1 (marzo 24, 2025): 82–91. Accedido marzo 6, 2026. https://revistas.unal.edu.co/index.php/acta_agronomica/article/view/115618.

Vancouver

1.
Chaparro Arias CA, Ruiz Torres JC, Fonseca Cifuentes GP. Pronóstico para la producción de cebolla de rama a partir de un modelo VAR. Acta Agron. [Internet]. 24 de marzo de 2025 [citado 6 de marzo de 2026];73(1):82-91. Disponible en: https://revistas.unal.edu.co/index.php/acta_agronomica/article/view/115618

Descargar cita

CrossRef Cited-by

CrossRef citations0

Dimensions

PlumX

Visitas a la página del resumen del artículo

1387

Descargas

Los datos de descargas todavía no están disponibles.

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Política sobre Derechos de autor:Los autores que publican en la revista se acogen al código de licencia creative commons 4.0 de atribución, no comercial, sin derivados. 

 

Es decir, que aún siendo la Revista Acta Agronómica de acceso libre, los usuarios pueden descargar la información contenida en ella, pero deben darle atribución o reconocimiento de propiedad intelectual, deben usarlo tal como está, sin derivación alguna y no debe ser usado con fines comerciales.